【基于样本-扩展差分模板的联合双稀疏表示人脸识别】是一种人脸识别技术,该技术结合了稀疏表示和块结构稀疏表示的概念,旨在解决在光照变化、表情变化和遮挡等因素影响下的人脸识别难题。该方法由胡正平、李静和白洋在2012年的《信号处理》杂志上提出。
在人脸识别领域,通常认为同一类别的脸部数据分布在高维空间内的多个低维线性子空间中。这些子空间结构的信息对于识别过程具有辅助作用。为了利用这种结构信息,研究者提出了使用块结构稀疏表示的方法。这种方法将人脸图像划分为多个块,并对每个块进行稀疏编码,以捕获图像的内在特征。
然而,一个主要问题是训练图像可能无法涵盖所有可能的测试条件,如不同光照、表情或遮挡。为了解决这个问题,论文提出了基于样本-扩展差分模板的联合双稀疏表示。扩展差分模板用于捕捉训练样本与测试样本之间的差异,这些差异信息可以在不同类别之间共享。也就是说,任何一类人脸图像的内在差异可以表示为其他类别人脸图像原子的稀疏线性组合。
联合双稀疏表示的识别算法分为两步:首先,在训练样本空间中寻找测试样本的块稀疏表示,然后在扩展差分模板空间中寻找其原子稀疏表示。通过这种方式,识别问题被转换为在两个不同空间中同时寻找最合适的稀疏表示,从而提高了识别的准确性和鲁棒性。
实验在AR和Extended Yale B数据库上进行,这两个数据库包含了光照变化、表情变化和部分遮挡的情况。结果显示,所提出的识别算法在这些复杂条件下表现出了优越的有效性和稳定性。
总的来说,这项工作强调了利用样本间的差异信息和联合双稀疏表示在人脸识别中的重要性,为解决实际应用中的人脸识别挑战提供了一种创新途径。此外,它还提供了对稀疏表示理论在实际问题中应用的深入理解,特别是在处理非理想条件下的图像识别任务时。